DeepSeek maakt V4 met DSpark tot 85% sneller, en zet de techniek open

DeepSeek heeft DSpark vrijgegeven, en het is geen nieuw model maar iets dat voor wie op kosten let net zo interessant is: een techniek die zijn bestaande V4-modellen fors sneller laat antwoorden zonder de kwaliteit aan te tasten. Per gebruiker loopt de generatiesnelheid 60 tot 85 procent op bij de lichtere Flash-variant en 57 tot 78 procent bij de zwaardere Pro, gemeten tegen DeepSeeks eigen productie-opstelling. De winst is gratis in de letterlijke zin: de code staat open onder een MIT-licentie, dus wie DeepSeek V4 zelf draait of via een API afneemt, betaalt straks minder per token voor exact dezelfde output.

Wat DeepSeek precies heeft uitgebracht

DSpark is een raamwerk voor speculative decoding. Een klein, snel draft-model stelt een blok tokens voor, waarna het volledige model dat blok in een keer controleert in plaats van token voor token. Wat het model accepteert is het langste geldige stuk van de voorspelling; de rest wordt verworpen en opnieuw berekend. Cruciaal is dat het resultaat lossless is: de uitvoer is statistisch identiek aan wat het model zonder de versnelling zou hebben geproduceerd. Je ruilt dus geen kwaliteit in voor snelheid, je haalt alleen de wachttijd eruit.

DeepSeek bracht er ook DeepSpec bij uit, een open codebase om zulke draft-modellen te trainen en te evalueren. De V4-gewichten met de speculative-decoding-module staan onder een MIT-licentie op Hugging Face, met de uitdrukkelijke kanttekening dat de DSpark-checkpoint geen nieuw model is maar dezelfde V4-gewichten met een module eraan vast. De methode draait naar eigen zeggen al in de echte verkeersstroom van V4, in een configuratie met blokken van vijf tokens (DSpark-5), en is te gebruiken via gangbare self-hosting-stacks als vLLM en SGLang.

De cijfers, en wat eronder zit

De kerncijfers gaan over snelheid per gebruiker bij gelijke doorvoer, dus zonder dat je er extra hardware tegenaan gooit:

MTP-1 is de eerdere productie-opstelling waarin het model token voor token genereerde. Tegen de bestaande acceleratiemethoden Eagle3 en DFlash levert DSpark een langere geaccepteerde tokenreeks, wat de winst verklaart: in tests op open modellen uit de Qwen3-reeks accepteert DSpark 26,7 tot 30,9 procent meer tokens dan Eagle3 en 16,3 tot 18,4 procent meer dan DFlash. Hoe meer tokens per controle-stap worden geaccepteerd, hoe minder dure forward passes het grote model hoeft te doen.

Wat dit betekent voor jouw bedrijf

Voor een Nederlands bedrijf dat AI op volume inzet, wordt hier een directe kostenpost kleiner. Snellere generatie betekent meer verzoeken per GPU en kortere wachttijden, en dat vertaalt zich in een lagere prijs per token, of je het model nu zelf host of via DeepSeeks API gebruikt. Vooral bij agentische workflows, waar een taak al snel duizenden tokens genereert, telt zo'n versnelling hard aan.

DeepSeek was al spotgoedkoop. Dezelfde agentische taak kost op een topmodel als Claude Opus al snel bijna zestig keer meer dan op DeepSeek V4-Flash, en DSpark maakt die goedkope motor ook nog sneller. Het is dan ook geen toeval dat zelfs de grootste leveranciers ernaar kijken: Microsoft weegt DeepSeek V4 al als goedkoper alternatief voor Claude onder Copilot Cowork.

Tegelijk is snelheid niet het hele verhaal. Bij zelf hosten bepalen verborgen kosten als GPU-leegloop en beheer waar het echte omslagpunt met een cloud-API ligt; een snellere motor verschuift dat punt, maar haalt het niet weg. En het blijft een Chinees model, met de compliance- en soevereiniteitsvragen die daarbij horen voordat je het op gevoelige data loslaat.

De les is nuchter. De open-weight-kostencurve blijft dalen, sneller dan veel inkoopcontracten kunnen bijhouden. De vraag is niet langer of open modellen goedkoop genoeg zijn, maar of je je software zo hebt gebouwd dat je die daling ook echt kunt oppakken: kun je morgen van motor wisselen zonder je hele applicatie te herschrijven? Wie dat kan, zit straks op de prijs van een MIT-checkpoint. Wie dat niet kan, kijkt ernaar.